Análise de Questionários do Projeto ‘Meninas na Computação’
Este estudo é uma análise estatística sobre o projeto Meninas na Computação, coordenado pela professora Dra. Maristela Terto e Holanda et al.
respostas <- read_excel("raw.xlsx", sheet = "unificado", na = "")
respostas$Q1 <- NULL
respostas$Q2 <- NULL
respostas$Serie <- stringr::str_trim(respostas$Serie, side = "both")
respostas <- as.data.frame(lapply(respostas, as.factor))
opcao <- data.frame(Fara_Computacao = levels(respostas$Fara_Computacao), opcao_computacao = c(1, 2, 3))
respostas <- merge(respostas, opcao)
respostas <- respostas[, c(37, 1:36)]Durante os anos de 2011 a 2014, foram entrevistados 3589 alunos do nível fundamental, médio e superior, sobre o curso superior que pretendiam seguir.
O questionário possui 14 questões que foram desmembradas em 36 variáveis.
O primeiro passo do estudo foi recuperar as respostas dos questionários.
O segundo passo envolveu a preparação dos dados. Em primeiro lugar, os questionários foram unificados em uma única tabela, a fim de facilitar a manipulação.
Como o estudo consiste em identificar as motivações das alunas entrevistadas em seguir ou não uma carreira em Ciência da Computação, foram retirados os 0 entrevistados de sexo masculino.
respostas <- subset(respostas, respostas$Sexo == "F")
respostas$Sexo <- NULLSão encontradas as seguintes distribuições de série na amostra:
series <- aggregate(x = list(Quantidade = respostas$Serie), by = list(Ano = respostas$Ano, Serie = respostas$Serie), FUN=length)
por_ano <- aggregate(x = list(Total = respostas$Serie), by = list(Ano = respostas$Ano), FUN=length)
series <- merge(series, por_ano)
series$Percentual <- series$Quantidade * 100 / series$Total
p = ggplot(data = series, aes(x = "", y = Percentual, fill = Serie))
p = p + geom_bar(width = 1, stat = "identity")
p = p + facet_grid(facets = . ~ Ano)
p = p + coord_polar(theta = "y", start = 0)
p = p + scale_x_discrete()
p = p + xlab("") + ylab("") + labs(fill="Ano")
p = p + ggtitle("Percentual de Entrevistadas por Série em cada Ano")
p
As alunas responderam da seguinte forma sobre a área que gostariam de cursar:
cursos <- aggregate(x = list(Quantidade = respostas$Fara_Curso_Superior), by = list(Ano = respostas$Ano, Fara_Curso_Superior = respostas$Fara_Curso_Superior), FUN=length)
por_ano <- aggregate(x = list(Total = respostas$Fara_Curso_Superior), by = list(Ano = respostas$Ano), FUN=length)
cursos <- merge(cursos, por_ano)
cursos$Percentual <- cursos$Quantidade * 100 / cursos$Total
p = ggplot(data = cursos, aes(x = "", y = Percentual, fill = Fara_Curso_Superior))
p = p + geom_bar(width = 1, stat = "identity")
p = p + facet_grid(facets = . ~ Ano)
p = p + coord_polar(theta = "y", start = 0)
p = p + scale_x_discrete()
p = p + xlab("") + ylab("") + labs(fill="Ano")
p = p + ggtitle("Percentual de Entrevistadas por Área de Interesse")
p
Podemos observar que os percentuais permanecem ao longo dos anos, sendo a preferência por Ciências Biológicas e de Saúde em torno de 39%, para Humanas cerca de 36% e para Exatas próximo a 21%.
A opinião das alunas sobre o cursar Ciência da Computação é representada nos gráficos a seguir:
comp <- aggregate(x = list(Quantidade = respostas$Fara_Computacao), by = list(Ano = respostas$Ano, Fara_Computacao = respostas$Fara_Computacao), FUN=length)
por_ano <- aggregate(x = list(Total = respostas$Fara_Computacao), by = list(Ano = respostas$Ano), FUN=length)
comp <- merge(comp, por_ano)
comp$Percentual <- comp$Quantidade * 100 / comp$Total
p = ggplot(data = comp, aes(x = "", y = Percentual, fill = Fara_Computacao))
p = p + geom_bar(width = 1, stat = "identity")
p = p + facet_grid(facets = . ~ Ano)
p = p + coord_polar(theta = "y", start = 0)
p = p + scale_x_discrete()
p = p + xlab("") + ylab("") + labs(fill="Ano")
p = p + ggtitle("Percentual de Entrevistadas por Interesse em Computação")
p
Será realizada a seguir uma análise de variância, no intuito de identificar, pergunta a pergunta, se as quantidades médias das respostas são estatisticamente diferentes ou se a diferença identificada nas médias trata-se de ruído.
A análise de variância não será completa sem um teste de comparação de médias: após identificar diferenças reais entre as respostas, será efetuado o teste de Tukey que dirá quais dos itens são diferentes entre si.
Para que seja feita a análise de variância, a amostra deve atender certas pressuposições básicas: 1) os erros são variáveis aleatórias independentes; 2) a variância é constante; 3) a distribuição dos erros é normal ou aproximadamente normal.
Os gráficos que apóiam essas pressuposições serão movidos para o fim da página.
Como exemplo, será efetuada isoladamente a análise de variância do atributo opcao_computacao em relação ao atributo Ano, com os anos como tratamentos. A variável observada é o interesse do aluno por optar pelo curso de ciência da computação, sendo atribuído o valor 1 no caso em que a estudante respondeu que não fará vestibular para computação, 2 se ainda está em dúvida e 3 se informou que irá optar por computação.
temp <- data.frame(Tratamento = respostas[, 3], Opcao_Computacao = respostas[, 1])
fit <- aov(Opcao_Computacao ~ Tratamento, data = temp)
knit_print(anova(fit))Analysis of Variance Table
Response: Opcao_Computacao
Df Sum Sq Mean Sq F value Pr(>F)
Tratamento 3 26 8.53 14 0.0000000044 ***
Residuals 3585 2180 0.61
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1cat("\n")knit_print(HSD.test(fit, 'Tratamento'))$statistics
Mean CV MSerror HSD r.harmonic
2.1 37 0.61 0.11 659
$parameters
Df ntr StudentizedRange alpha test name.t
3585 4 3.6 0.05 Tukey Tratamento
$means
Opcao_Computacao std r Min Max
2011 2.2 0.79 1750 1 3
2012 2.0 0.78 926 1 3
2013 2.0 0.76 498 1 3
2014 2.0 0.78 415 1 3
$comparison
NULL
$groups
trt means M
1 2011 2.2 a
2 2012 2.0 b
3 2013 2.0 b
4 2014 2.0 bpar(mfrow=c(2,2))
plot(fit)
A partir do p-valor do tratamento Ano (Pr(>F)) abaixo de 5%, há evidências de uma diferença na quantidade de alunas que optam por computação devido à passagem do tempo.
Contudo, ao efetuar o teste de Tukey, percebemos que não há diferença real entre o ano de 2011 e os demais. Desta forma, concluímos que há constância na indecisão das alunas.
A seguir serão apresentadas as análises de variância dos outros atributos coletados nas entrevistas.
for (i in 4:ncol(respostas)) {
temp <- data.frame(Tratamento = respostas[, i], Opcao_Computacao = respostas[, 1])
nome <- colnames(respostas)[i]
cat(paste("\nTratamento:", nome, "\n"))
cat("\n")
fit <- aov(Opcao_Computacao ~ Tratamento, data = temp)
knit_print(anova(fit))
cat("\n")
knit_print(HSD.test(fit, 'Tratamento'))
# assign(nome, temp)
par(mfrow=c(2,2))
plot(fit)
}
Tratamento: Serie
Analysis of Variance Table
Response: Opcao_Computacao
Df Sum Sq Mean Sq F value Pr(>F)
Tratamento 5 162 32.3 56.8 <0.0000000000000002 ***
Residuals 3533 2013 0.6
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
$statistics
Mean CV MSerror HSD r.harmonic
2.1 36 0.57 0.32 90
$parameters
Df ntr StudentizedRange alpha test name.t
3533 6 4 0.05 Tukey Tratamento
$means
Opcao_Computacao std r Min Max
Ensino Fundamental 2.3 0.72 1073 1 3
Ensino Superior 1.7 0.81 361 1 3
Primeiro Ano 2.2 0.75 798 1 3
Segundo Ano 2.1 0.78 671 1 3
Supletivo 2.4 0.86 17 1 3
Terceiro Ano 1.8 0.76 619 1 3
$comparison
NULL
$groups
trt means M
1 Supletivo 2.4 a
2 Ensino Fundamental 2.3 a
3 Primeiro Ano 2.2 a
4 Segundo Ano 2.1 a
5 Terceiro Ano 1.8 ab
6 Ensino Superior 1.7 b
Tratamento: Fara_Curso_Superior
Analysis of Variance Table
Response: Opcao_Computacao
Df Sum Sq Mean Sq F value Pr(>F)
Tratamento 2 24 12.12 19.9 0.0000000027 ***
Residuals 3459 2112 0.61
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
$statistics
Mean CV MSerror HSD r.harmonic
2.1 37 0.61 0.079 1080
$parameters
Df ntr StudentizedRange alpha test name.t
3459 3 3.3 0.05 Tukey Tratamento
$means
Opcao_Computacao std r Min Max
Biologicas e Saude 2.1 0.79 1450 1 3
Exatas 2.2 0.78 785 1 3
Humanas 2.0 0.77 1227 1 3
$comparison
NULL
$groups
trt means M
1 Exatas 2.2 a
2 Biologicas e Saude 2.1 b
3 Humanas 2.0 c
Tratamento: Somente_Ensina_Software
Analysis of Variance Table
Response: Opcao_Computacao
Df Sum Sq Mean Sq F value Pr(>F)
Tratamento 2 19 9.67 15.9 0.00000014 ***
Residuals 3509 2138 0.61
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
$statistics
Mean CV MSerror HSD r.harmonic
2.1 37 0.61 0.11 528
$parameters
Df ntr StudentizedRange alpha test name.t
3509 3 3.3 0.05 Tukey Tratamento
$means
Opcao_Computacao std r Min Max
Nao 2.1 0.79 2716 1 3
Sim 2.3 0.77 306 1 3
Talvez 2.1 0.75 490 1 3
$comparison
NULL
$groups
trt means M
1 Sim 2.3 a
2 Talvez 2.1 b
3 Nao 2.1 b
Tratamento: Pouca_Matematica
Analysis of Variance Table
Response: Opcao_Computacao
Df Sum Sq Mean Sq F value Pr(>F)
Tratamento 2 43 21.3 35.5 0.00000000000000055 ***
Residuals 3481 2089 0.6
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
$statistics
Mean CV MSerror HSD r.harmonic
2.1 37 0.6 0.088 862
$parameters
Df ntr StudentizedRange alpha test name.t
3481 3 3.3 0.05 Tukey Tratamento
$means
Opcao_Computacao std r Min Max
Nao 2.0 0.79 2103 1 3
Sim 2.3 0.77 559 1 3
Talvez 2.1 0.73 822 1 3
$comparison
NULL
$groups
trt means M
1 Sim 2.3 a
2 Talvez 2.1 b
3 Nao 2.0 c
Tratamento: Maioria_Homens
Analysis of Variance Table
Response: Opcao_Computacao
Df Sum Sq Mean Sq F value Pr(>F)
Tratamento 2 55 27.5 46 <0.0000000000000002 ***
Residuals 3471 2075 0.6
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
$statistics
Mean CV MSerror HSD r.harmonic
2.1 37 0.6 0.081 992
$parameters
Df ntr StudentizedRange alpha test name.t
3471 3 3.3 0.05 Tukey Tratamento
$means
Opcao_Computacao std r Min Max
Nao 2.3 0.75 866 1 3
Sim 2.0 0.79 1857 1 3
Talvez 2.1 0.76 751 1 3
$comparison
NULL
$groups
trt means M
1 Nao 2.3 a
2 Talvez 2.1 b
3 Sim 2.0 b
Tratamento: Precisa_Saber_Usar_Computador
Analysis of Variance Table
Response: Opcao_Computacao
Df Sum Sq Mean Sq F value Pr(>F)
Tratamento 2 9 4.36 7.13 0.00081 ***
Residuals 3468 2119 0.61
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
$statistics
Mean CV MSerror HSD r.harmonic
2.1 37 0.61 0.081 1033
$parameters
Df ntr StudentizedRange alpha test name.t
3468 3 3.3 0.05 Tukey Tratamento
$means
Opcao_Computacao std r Min Max
Nao 2.1 0.79 1072 1 3
Sim 2.1 0.78 1670 1 3
Talvez 2.0 0.77 729 1 3
$comparison
NULL
$groups
trt means M
1 Nao 2.1 a
2 Sim 2.1 a
3 Talvez 2.0 b
Tratamento: Precisa_Curso_Superior
Analysis of Variance Table
Response: Opcao_Computacao
Df Sum Sq Mean Sq F value Pr(>F)
Tratamento 2 50 25.1 41.8 <0.0000000000000002 ***
Residuals 3463 2075 0.6
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
$statistics
Mean CV MSerror HSD r.harmonic
2.1 37 0.6 0.082 977
$parameters
Df ntr StudentizedRange alpha test name.t
3463 3 3.3 0.05 Tukey Tratamento
$means
Opcao_Computacao std r Min Max
Nao 1.9 0.80 823 1 3
Sim 2.2 0.77 1889 1 3
Talvez 2.0 0.74 754 1 3
$comparison
NULL
$groups
trt means M
1 Sim 2.2 a
2 Talvez 2.0 b
3 Nao 1.9 b
Tratamento: Familia_Gostaria_Computacao
Analysis of Variance Table
Response: Opcao_Computacao
Df Sum Sq Mean Sq F value Pr(>F)
Tratamento 2 248 124.1 229 <0.0000000000000002 ***
Residuals 3484 1889 0.5
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
$statistics
Mean CV MSerror HSD r.harmonic
2.1 35 0.54 0.074 1095
$parameters
Df ntr StudentizedRange alpha test name.t
3484 3 3.3 0.05 Tukey Tratamento
$means
Opcao_Computacao std r Min Max
Nao 1.8 0.79 999 1 3
Sim 2.5 0.71 903 1 3
Talvez 2.1 0.72 1585 1 3
$comparison
NULL
$groups
trt means M
1 Sim 2.5 a
2 Talvez 2.1 b
3 Nao 1.8 c
Tratamento: Dificuldade_Emprego
Analysis of Variance Table
Response: Opcao_Computacao
Df Sum Sq Mean Sq F value Pr(>F)
Tratamento 2 9 4.32 7.07 0.00086 ***
Residuals 3468 2120 0.61
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
$statistics
Mean CV MSerror HSD r.harmonic
2.1 37 0.61 0.097 709
$parameters
Df ntr StudentizedRange alpha test name.t
3468 3 3.3 0.05 Tukey Tratamento
$means
Opcao_Computacao std r Min Max
Nao 2.1 0.79 1955 1 3
Sim 2.2 0.80 349 1 3
Talvez 2.0 0.77 1167 1 3
$comparison
NULL
$groups
trt means M
1 Sim 2.2 a
2 Nao 2.1 a
3 Talvez 2.0 b
Tratamento: Pouco_Lazer
Analysis of Variance Table
Response: Opcao_Computacao
Df Sum Sq Mean Sq F value Pr(>F)
Tratamento 2 9 4.44 7.25 0.00072 ***
Residuals 3470 2124 0.61
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
$statistics
Mean CV MSerror HSD r.harmonic
2.1 37 0.61 0.092 795
$parameters
Df ntr StudentizedRange alpha test name.t
3470 3 3.3 0.05 Tukey Tratamento
$means
Opcao_Computacao std r Min Max
Nao 2.1 0.77 1965 1 3
Sim 2.2 0.81 428 1 3
Talvez 2.0 0.79 1080 1 3
$comparison
NULL
$groups
trt means M
1 Sim 2.2 a
2 Nao 2.1 a
3 Talvez 2.0 b
Tratamento: Usa_Criatividade
Analysis of Variance Table
Response: Opcao_Computacao
Df Sum Sq Mean Sq F value Pr(>F)
Tratamento 2 0 0.168 0.27 0.76
Residuals 3471 2135 0.615
$statistics
Mean CV MSerror HSD r.harmonic
2.1 38 0.61 0.14 322
$parameters
Df ntr StudentizedRange alpha test name.t
3471 3 3.3 0.05 Tukey Tratamento
$means
Opcao_Computacao std r Min Max
Nao 2.1 0.79 169 1 3
Sim 2.1 0.78 2978 1 3
Talvez 2.1 0.79 327 1 3
$comparison
NULL
$groups
trt means M
1 Nao 2.1 a
2 Sim 2.1 a
3 Talvez 2.1 a
Tratamento: Da_Prestigio
Analysis of Variance Table
Response: Opcao_Computacao
Df Sum Sq Mean Sq F value Pr(>F)
Tratamento 2 24 11.79 19.4 0.000000004 ***
Residuals 3465 2102 0.61
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
$statistics
Mean CV MSerror HSD r.harmonic
2.1 37 0.61 0.11 567
$parameters
Df ntr StudentizedRange alpha test name.t
3465 3 3.3 0.05 Tukey Tratamento
$means
Opcao_Computacao std r Min Max
Nao 2.1 0.87 258 1 3
Sim 2.2 0.77 2160 1 3
Talvez 2.0 0.78 1050 1 3
$comparison
NULL
$groups
trt means M
1 Sim 2.2 a
2 Nao 2.1 ab
3 Talvez 2.0 b
Tratamento: Boa_Remuneracao
Analysis of Variance Table
Response: Opcao_Computacao
Df Sum Sq Mean Sq F value Pr(>F)
Tratamento 2 16 7.77 12.7 0.0000031 ***
Residuals 3472 2118 0.61
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
$statistics
Mean CV MSerror HSD r.harmonic
2.1 37 0.61 0.13 406
$parameters
Df ntr StudentizedRange alpha test name.t
3472 3 3.3 0.05 Tukey Tratamento
$means
Opcao_Computacao std r Min Max
Nao 2.1 0.79 162 1 3
Sim 2.2 0.78 1742 1 3
Talvez 2.0 0.78 1571 1 3
$comparison
NULL
$groups
trt means M
1 Sim 2.2 a
2 Nao 2.1 ab
3 Talvez 2.0 b
Tratamento: Atuacao_Outras_Areas
Analysis of Variance Table
Response: Opcao_Computacao
Df Sum Sq Mean Sq F value Pr(>F)
Tratamento 2 10 4.79 7.83 0.0004 ***
Residuals 3503 2142 0.61
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
$statistics
Mean CV MSerror HSD r.harmonic
2.1 37 0.61 0.15 311
$parameters
Df ntr StudentizedRange alpha test name.t
3503 3 3.3 0.05 Tukey Tratamento
$means
Opcao_Computacao std r Min Max
Nao 2.1 0.84 127 1 3
Sim 2.1 0.78 2655 1 3
Talvez 2.0 0.77 724 1 3
$comparison
NULL
$groups
trt means M
1 Sim 2.1 a
2 Nao 2.1 ab
3 Talvez 2.0 b
Tratamento: Usa_Computador_Propria_Casa
Analysis of Variance Table
Response: Opcao_Computacao
Df Sum Sq Mean Sq F value Pr(>F)
Tratamento 1 39 39.5 65.3 0.00000000000000086 ***
Residuals 3587 2166 0.6
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
$statistics
Mean CV MSerror HSD r.harmonic
2.1 37 0.6 0.098 479
$parameters
Df ntr StudentizedRange alpha test name.t
3587 2 2.8 0.05 Tukey Tratamento
$means
Opcao_Computacao std r Min Max
Nao 2.5 0.68 258 1 3
Sim 2.1 0.78 3331 1 3
$comparison
NULL
$groups
trt means M
1 Nao 2.5 a
2 Sim 2.1 b
Tratamento: Usa_Computador_Casa_Parentes
Analysis of Variance Table
Response: Opcao_Computacao
Df Sum Sq Mean Sq F value Pr(>F)
Tratamento 1 0 0.397 0.64 0.42
Residuals 3587 2205 0.615
$statistics
Mean CV MSerror HSD r.harmonic
2.1 37 0.61 0.054 1594
$parameters
Df ntr StudentizedRange alpha test name.t
3587 2 2.8 0.05 Tukey Tratamento
$means
Opcao_Computacao std r Min Max
Nao 2.1 0.82 1194 1 3
Sim 2.1 0.77 2395 1 3
$comparison
NULL
$groups
trt means M
1 Sim 2.1 a
2 Nao 2.1 a
Tratamento: Usa_Computador_Casa_Amigos
Analysis of Variance Table
Response: Opcao_Computacao
Df Sum Sq Mean Sq F value Pr(>F)
Tratamento 1 2 1.505 2.45 0.12
Residuals 3587 2204 0.615
$statistics
Mean CV MSerror HSD r.harmonic
2.1 37 0.61 0.054 1634
$parameters
Df ntr StudentizedRange alpha test name.t
3587 2 2.8 0.05 Tukey Tratamento
$means
Opcao_Computacao std r Min Max
Nao 2.1 0.81 1258 1 3
Sim 2.1 0.77 2331 1 3
$comparison
NULL
$groups
trt means M
1 Nao 2.1 a
2 Sim 2.1 a
Tratamento: Usa_Computador_Escola
Analysis of Variance Table
Response: Opcao_Computacao
Df Sum Sq Mean Sq F value Pr(>F)
Tratamento 1 23 23.04 37.9 0.00000000084 ***
Residuals 3587 2183 0.61
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
$statistics
Mean CV MSerror HSD r.harmonic
2.1 37 0.61 0.051 1787
$parameters
Df ntr StudentizedRange alpha test name.t
3587 2 2.8 0.05 Tukey Tratamento
$means
Opcao_Computacao std r Min Max
Nao 2.2 0.78 1909 1 3
Sim 2.0 0.78 1680 1 3
$comparison
NULL
$groups
trt means M
1 Nao 2.2 a
2 Sim 2.0 b
Tratamento: Usa_Computador_Trabalho
Analysis of Variance Table
Response: Opcao_Computacao
Df Sum Sq Mean Sq F value Pr(>F)
Tratamento 1 10 10.43 17.1 0.000037 ***
Residuals 3587 2195 0.61
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
$statistics
Mean CV MSerror HSD r.harmonic
2.1 37 0.61 0.064 1157
$parameters
Df ntr StudentizedRange alpha test name.t
3587 2 2.8 0.05 Tukey Tratamento
$means
Opcao_Computacao std r Min Max
Nao 2.1 0.78 2864 1 3
Sim 2.0 0.81 725 1 3
$comparison
NULL
$groups
trt means M
1 Nao 2.1 a
2 Sim 2.0 b
Tratamento: Usa_Computador_Lan_House
Analysis of Variance Table
Response: Opcao_Computacao
Df Sum Sq Mean Sq F value Pr(>F)
Tratamento 1 58 57.5 96.1 <0.0000000000000002 ***
Residuals 3587 2148 0.6
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
$statistics
Mean CV MSerror HSD r.harmonic
2.1 37 0.6 0.054 1603
$parameters
Df ntr StudentizedRange alpha test name.t
3587 2 2.8 0.05 Tukey Tratamento
$means
Opcao_Computacao std r Min Max
Nao 2.0 0.79 2380 1 3
Sim 2.3 0.74 1209 1 3
$comparison
NULL
$groups
trt means M
1 Sim 2.3 a
2 Nao 2.0 b
Tratamento: Usa_Computador_Biblioteca
Analysis of Variance Table
Response: Opcao_Computacao
Df Sum Sq Mean Sq F value Pr(>F)
Tratamento 1 10 10.36 16.9 0.00004 ***
Residuals 3587 2195 0.61
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
$statistics
Mean CV MSerror HSD r.harmonic
2.1 37 0.61 0.059 1350
$parameters
Df ntr StudentizedRange alpha test name.t
3587 2 2.8 0.05 Tukey Tratamento
$means
Opcao_Computacao std r Min Max
Nao 2.1 0.77 2688 1 3
Sim 2.0 0.81 901 1 3
$comparison
NULL
$groups
trt means M
1 Nao 2.1 a
2 Sim 2.0 b
Tratamento: Usa_Computador_Centro_Inclusao_Digital
Analysis of Variance Table
Response: Opcao_Computacao
Df Sum Sq Mean Sq F value Pr(>F)
Tratamento 1 12 11.61 19 0.000014 ***
Residuals 3587 2194 0.61
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
$statistics
Mean CV MSerror HSD r.harmonic
2.1 37 0.61 0.1 465
$parameters
Df ntr StudentizedRange alpha test name.t
3587 2 2.8 0.05 Tukey Tratamento
$means
Opcao_Computacao std r Min Max
Nao 2.1 0.78 3339 1 3
Sim 2.3 0.77 250 1 3
$comparison
NULL
$groups
trt means M
1 Sim 2.3 a
2 Nao 2.1 b
Tratamento: Usa_Editor_Texto
Analysis of Variance Table
Response: Opcao_Computacao
Df Sum Sq Mean Sq F value Pr(>F)
Tratamento 1 26 26.13 43 0.000000000062 ***
Residuals 3587 2180 0.61
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
$statistics
Mean CV MSerror HSD r.harmonic
2.1 37 0.61 0.074 852
$parameters
Df ntr StudentizedRange alpha test name.t
3587 2 2.8 0.05 Tukey Tratamento
$means
Opcao_Computacao std r Min Max
Nao 2.3 0.73 494 1 3
Sim 2.1 0.79 3095 1 3
$comparison
NULL
$groups
trt means M
1 Nao 2.3 a
2 Sim 2.1 b
Tratamento: Usa_Editor_Imagem
Analysis of Variance Table
Response: Opcao_Computacao
Df Sum Sq Mean Sq F value Pr(>F)
Tratamento 1 4 3.98 6.48 0.011 *
Residuals 3587 2202 0.61
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
$statistics
Mean CV MSerror HSD r.harmonic
2.1 37 0.61 0.058 1421
$parameters
Df ntr StudentizedRange alpha test name.t
3587 2 2.8 0.05 Tukey Tratamento
$means
Opcao_Computacao std r Min Max
Nao 2.2 0.79 976 1 3
Sim 2.1 0.78 2613 1 3
$comparison
NULL
$groups
trt means M
1 Nao 2.2 a
2 Sim 2.1 b
Tratamento: Usa_Planilha_Eletrônica
Analysis of Variance Table
Response: Opcao_Computacao
Df Sum Sq Mean Sq F value Pr(>F)
Tratamento 1 7 6.78 11.1 0.00089 ***
Residuals 3587 2199 0.61
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
$statistics
Mean CV MSerror HSD r.harmonic
2.1 37 0.61 0.051 1777
$parameters
Df ntr StudentizedRange alpha test name.t
3587 2 2.8 0.05 Tukey Tratamento
$means
Opcao_Computacao std r Min Max
Nao 2.1 0.77 1970 1 3
Sim 2.0 0.80 1619 1 3
$comparison
NULL
$groups
trt means M
1 Nao 2.1 a
2 Sim 2.0 b
Tratamento: Usa_Banco_Dados
Analysis of Variance Table
Response: Opcao_Computacao
Df Sum Sq Mean Sq F value Pr(>F)
Tratamento 1 10 9.63 15.7 0.000075 ***
Residuals 3587 2196 0.61
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
$statistics
Mean CV MSerror HSD r.harmonic
2.1 37 0.61 0.064 1163
$parameters
Df ntr StudentizedRange alpha test name.t
3587 2 2.8 0.05 Tukey Tratamento
$means
Opcao_Computacao std r Min Max
Nao 2.1 0.78 2859 1 3
Sim 2.2 0.80 730 1 3
$comparison
NULL
$groups
trt means M
1 Sim 2.2 a
2 Nao 2.1 b
Tratamento: Usa_Internet
Analysis of Variance Table
Response: Opcao_Computacao
Df Sum Sq Mean Sq F value Pr(>F)
Tratamento 1 15 14.56 23.8 0.0000011 ***
Residuals 3587 2191 0.61
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
$statistics
Mean CV MSerror HSD r.harmonic
2.1 37 0.61 0.086 637
$parameters
Df ntr StudentizedRange alpha test name.t
3587 2 2.8 0.05 Tukey Tratamento
$means
Opcao_Computacao std r Min Max
Nao 2.3 0.75 353 1 3
Sim 2.1 0.79 3236 1 3
$comparison
NULL
$groups
trt means M
1 Nao 2.3 a
2 Sim 2.1 b
Tratamento: Usa_Redes_Sociais
Analysis of Variance Table
Response: Opcao_Computacao
Df Sum Sq Mean Sq F value Pr(>F)
Tratamento 1 10 10.21 16.7 0.000045 ***
Residuals 3587 2196 0.61
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
$statistics
Mean CV MSerror HSD r.harmonic
2.1 37 0.61 0.092 552
$parameters
Df ntr StudentizedRange alpha test name.t
3587 2 2.8 0.05 Tukey Tratamento
$means
Opcao_Computacao std r Min Max
Nao 2.3 0.78 301 1 3
Sim 2.1 0.78 3288 1 3
$comparison
NULL
$groups
trt means M
1 Nao 2.3 a
2 Sim 2.1 b
Tratamento: Usa_Email
Analysis of Variance Table
Response: Opcao_Computacao
Df Sum Sq Mean Sq F value Pr(>F)
Tratamento 1 21 20.96 34.4 0.0000000049 ***
Residuals 3587 2185 0.61
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
$statistics
Mean CV MSerror HSD r.harmonic
2.1 37 0.61 0.077 795
$parameters
Df ntr StudentizedRange alpha test name.t
3587 2 2.8 0.05 Tukey Tratamento
$means
Opcao_Computacao std r Min Max
Nao 2.3 0.76 455 1 3
Sim 2.1 0.78 3134 1 3
$comparison
NULL
$groups
trt means M
1 Nao 2.3 a
2 Sim 2.1 b
Tratamento: Usa_Jogos
Analysis of Variance Table
Response: Opcao_Computacao
Df Sum Sq Mean Sq F value Pr(>F)
Tratamento 1 6 6.16 10.1 0.0015 **
Residuals 3587 2200 0.61
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
$statistics
Mean CV MSerror HSD r.harmonic
2.1 37 0.61 0.055 1579
$parameters
Df ntr StudentizedRange alpha test name.t
3587 2 2.8 0.05 Tukey Tratamento
$means
Opcao_Computacao std r Min Max
Nao 2.0 0.80 1173 1 3
Sim 2.1 0.77 2416 1 3
$comparison
NULL
$groups
trt means M
1 Sim 2.1 a
2 Nao 2.0 b
Tratamento: Desenvolve_Paginas_Web
Analysis of Variance Table
Response: Opcao_Computacao
Df Sum Sq Mean Sq F value Pr(>F)
Tratamento 1 9 8.79 14.4 0.00015 ***
Residuals 3587 2197 0.61
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
$statistics
Mean CV MSerror HSD r.harmonic
2.1 37 0.61 0.071 923
$parameters
Df ntr StudentizedRange alpha test name.t
3587 2 2.8 0.05 Tukey Tratamento
$means
Opcao_Computacao std r Min Max
Nao 2.1 0.78 3045 1 3
Sim 2.2 0.78 544 1 3
$comparison
NULL
$groups
trt means M
1 Sim 2.2 a
2 Nao 2.1 b
Tratamento: Cria_Programas_Computador
Analysis of Variance Table
Response: Opcao_Computacao
Df Sum Sq Mean Sq F value Pr(>F)
Tratamento 1 28 28.12 46.3 0.000000000012 ***
Residuals 3587 2178 0.61
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
$statistics
Mean CV MSerror HSD r.harmonic
2.1 37 0.61 0.062 1221
$parameters
Df ntr StudentizedRange alpha test name.t
3587 2 2.8 0.05 Tukey Tratamento
$means
Opcao_Computacao std r Min Max
Nao 2.0 0.78 2809 1 3
Sim 2.3 0.77 780 1 3
$comparison
NULL
$groups
trt means M
1 Sim 2.3 a
2 Nao 2.0 b
Tratamento: Usa_Outros_Softwares
Analysis of Variance Table
Response: Opcao_Computacao
Df Sum Sq Mean Sq F value Pr(>F)
Tratamento 1 8 7.57 12.4 0.00044 ***
Residuals 3587 2198 0.61
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
$statistics
Mean CV MSerror HSD r.harmonic
2.1 37 0.61 0.057 1465
$parameters
Df ntr StudentizedRange alpha test name.t
3587 2 2.8 0.05 Tukey Tratamento
$means
Opcao_Computacao std r Min Max
Nao 2.1 0.78 2564 1 3
Sim 2.2 0.79 1025 1 3
$comparison
NULL
$groups
trt means M
1 Sim 2.2 a
2 Nao 2.1 b
A partir da análise de variância e do teste de Tukey dos atributos, identificamos o seguinte:
Sobre o atributo Série, devemos descartar a informação sobre as estudantes de Supletivo, devido à baixa quantidade de respondentes. Normalmente se descartam tratamentos com menos de 30 ocorrências. Podemos perceber dois grupos: do Ensino Fundamental até o Segundo Ano há uma tendência levemente positiva em relação ao curso de computação; por outro lado, alunas do Terceiro Ano e que já cursam o Nível Superior possuem leve rejeição pelo curso.
Em relação à intenção de fazer um curso superior, atributo Fara_Curso_Superior, as estudantes que informaram predileção por Exatas, Biológicas e Saúde possuem uma leve tendência a optar por computação, enquanto as que marcaram Humanas tem dúvida sobre uma carreira em computação.
O atributo Somente_Ensina_Software mostra que as estudantes que acreditam em tal afirmação tem tendência a optar por um curso de computação, enquanto as que acreditam no contrário ou não tem certeza ficaram em dúvida sobre cursar computação.
Um dos resultados mais desconcertantes refere-se ao atributo Pouca_Matematica: apesar da maioria das entrevistadas acreditar de que o curso de computação baseia-se em muito conteúdo matemático, uma quantidade considerável de respondentes discorda. O elemento contraditório é que estas últimas tem certa tendência em seguir uma carreira em computação!
Outro resultado conflitante está relacionado à afirmação de que nos cursos de computação há muitos homens, atributo Maioria_Homens. As entrevistadas que discordam dessa afirmação pretendem cursar ciência da computação.
Sobre o domínio de uso do computador ser um pré-requisito para o curso de computação, atributo Precisa_Saber_Usar_Computador, a decisão sobre cursar ou não ciência da computação ficou equilibrada em relação a esse quesito.
O atributo Precisa_Curso_Superior está relacionado à necessidade de uma graduação para exercer a profissão de cientista da computação. As estudantes que acreditam nessa afirmativa tem uma leve tendência a optar pelo curso de computação. Já as que não acreditam ou tem dúvida estão indecisas sobre o cursar computação.
O atributo mais marcante neste estudo foi Familia_Gostaria_Computacao. Nesse, é possível perceber claramente a influência familiar na decisão do curso superior: estudantes que acreditam que a família ficaria feliz caso elas optassem por computação tem uma forte tendência em realmente escolher o curso. As entrevistadas que acreditam que a família não apoiaria a escolha desse curso tem uma tendência a rejeitar a computação. As que não tem certeza da opinião da família também não tem certeza sobre o desejo de seguir essa carreira.
O atributo Dificuldade_Emprego, origina-se da percepção das estudantes de que uma pessoa que trabalha na área de computação tem dificuldades em empregar-se. Houve pouca quantidade de entrevistadas que acreditava nessa afirmação mas, no geral, as estudantes que ficaram indecisas sobre cursar computação.
O atributo Pouco_Lazer, originário da pergunta “Quem trabalha com computação tem poucas horas de lazer?”, teve resultados semelhantes ao atributo Dificuldade_Emprego, percebendo-se uma forte indecisão na opção do curso, independentemente da percepção de quantidade de lazer.
Os atributos Usa_Criatividade, Da_Prestigio, Boa_Remuneracao e Atuacao_Outras_Areas parecem-se muito com os atributos Dificuldade_Emprego e Pouco_Lazer, denotando que as entrevistadas ainda não preocupam-se com esses atributos na hora de escolher o curso superior.
O atributo Usa_Computador_Propria_Casa, que é auto-explicativo, mostra que alunas que não usam ou não possuem o computador em suas casas estão muito propensas a fazer um curso de computação! As estudantes que usam do equipamento em seu domicílio mostram-se indecisas sobre a opção pelo curso.
Os atributos Usa_Computador_Casa_Parentes e Usa_Computacao_Casa_Amigos tem pouca relevância na decisão por um curso de computação.
O não uso do computador na escola, atributo Usa_Computador_Escola gera um efeito inverso, isto é, alunas que não usam o equipamento em aula mostram leve tendência em optar por computação.
Usar ou não usar o computador no trabalho, atributo Usa_Computador_Trabalho, parece não ter relevância na escolha do curso de computação.
Usar o computador em uma Lan House tem um efeito positivo na opção pelo curso de computação.
Usar ou não usar o computador na biblioteca, atributo Usa_Computador_Biblioteca, não tem relevância na opção por cursar computação.
Usar o computador em um Centro de Inclusão Digital tem um efeito positivo semelhante a usar em uma Lan House, movendo a vontade das alunas para a ciência da computação.
O uso de aplicações de escritório, como editores de texto, planilhas eletrônicas e editores de imagens não tem impacto na escolha do curso de computação.
Contudo, o uso de banco de dados e a criação de programas de computador tem influência positiva na decisão por cursar ciência da computação.
O não uso de internet, redes sociais e e-mail motiva as estudantes a optar pelo curso de computação.
O uso de jogos de computador, atributo Usa_Jogos, não tem relevância na escolha do curso de computação.
Desenvolver páginas web e utilizar outros softwares tem uma pequena relevância na escolha do curso de computação.
Iremos agora criar um modelo de análise de variância levando em consideração todas as variáveis do questionário, adotando uma abordagem top-down, isto é, iterando sobre o modelo e retirando as variáveis menos significativas, até que todas as variáveis sejam significativas.
temp <- respostas[, c(1, 3:ncol(respostas))]
fit <- aov(opcao_computacao ~ ., data = temp)
knit_print(anova(fit))Analysis of Variance Table
Response: opcao_computacao
Df Sum Sq Mean Sq F value Pr(>F)
Ano 3 18 6.2 13.15 0.00000001574 ***
Serie 5 135 26.9 57.51 < 0.0000000000000002 ***
Fara_Curso_Superior 2 17 8.7 18.52 0.00000001021 ***
Somente_Ensina_Software 2 7 3.4 7.19 0.00077 ***
Pouca_Matematica 2 15 7.3 15.59 0.00000018405 ***
Maioria_Homens 2 22 10.8 23.08 0.00000000011 ***
Precisa_Saber_Usar_Computador 2 4 1.8 3.89 0.02048 *
Precisa_Curso_Superior 2 11 5.7 12.14 0.00000560247 ***
Familia_Gostaria_Computacao 2 149 74.4 159.12 < 0.0000000000000002 ***
Dificuldade_Emprego 2 2 1.2 2.62 0.07309 .
Pouco_Lazer 2 2 1.0 2.11 0.12094
Usa_Criatividade 2 1 0.3 0.63 0.53492
Da_Prestigio 2 15 7.5 15.98 0.00000012527 ***
Boa_Remuneracao 2 4 2.1 4.42 0.01211 *
Atuacao_Outras_Areas 2 7 3.4 7.37 0.00064 ***
Usa_Computador_Propria_Casa 1 4 4.2 9.01 0.00271 **
Usa_Computador_Casa_Parentes 1 0 0.4 0.82 0.36671
Usa_Computador_Casa_Amigos 1 3 3.2 6.78 0.00926 **
Usa_Computador_Escola 1 4 4.4 9.46 0.00212 **
Usa_Computador_Trabalho 1 0 0.3 0.59 0.44221
Usa_Computador_Lan_House 1 11 10.8 23.14 0.00000158005 ***
Usa_Computador_Biblioteca 1 0 0.0 0.00 0.99453
Usa_Computador_Centro_Inclusao_Digital 1 4 3.5 7.56 0.00602 **
Usa_Editor_Texto 1 0 0.0 0.04 0.84789
Usa_Editor_Imagem 1 1 0.6 1.20 0.27347
Usa_Planilha_Eletrônica 1 1 1.4 2.92 0.08738 .
Usa_Banco_Dados 1 6 6.1 13.02 0.00031 ***
Usa_Internet 1 1 0.7 1.58 0.20927
Usa_Redes_Sociais 1 0 0.4 0.84 0.36060
Usa_Email 1 0 0.0 0.00 0.95509
Usa_Jogos 1 2 1.9 4.13 0.04232 *
Desenvolve_Paginas_Web 1 1 1.2 2.48 0.11544
Cria_Programas_Computador 1 5 5.4 11.54 0.00069 ***
Usa_Outros_Softwares 1 0 0.1 0.21 0.64857
Residuals 2903 1358 0.5
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1par(mfrow=c(2,2))
plot(fit)
Novo modelo, retirando variável Usa_Computador_Biblioteca:
temp$Usa_Computador_Biblioteca <- NULL
fit <- aov(opcao_computacao ~ ., data = temp)
knit_print(anova(fit))Analysis of Variance Table
Response: opcao_computacao
Df Sum Sq Mean Sq F value Pr(>F)
Ano 3 18 6.2 13.15 0.00000001572 ***
Serie 5 135 26.9 57.51 < 0.0000000000000002 ***
Fara_Curso_Superior 2 17 8.7 18.52 0.00000001021 ***
Somente_Ensina_Software 2 7 3.4 7.19 0.00077 ***
Pouca_Matematica 2 15 7.3 15.59 0.00000018393 ***
Maioria_Homens 2 22 10.8 23.08 0.00000000011 ***
Precisa_Saber_Usar_Computador 2 4 1.8 3.89 0.02048 *
Precisa_Curso_Superior 2 11 5.7 12.14 0.00000559968 ***
Familia_Gostaria_Computacao 2 149 74.4 159.13 < 0.0000000000000002 ***
Dificuldade_Emprego 2 2 1.2 2.62 0.07308 .
Pouco_Lazer 2 2 1.0 2.11 0.12093
Usa_Criatividade 2 1 0.3 0.63 0.53491
Da_Prestigio 2 15 7.5 15.98 0.00000012518 ***
Boa_Remuneracao 2 4 2.1 4.42 0.01211 *
Atuacao_Outras_Areas 2 7 3.4 7.37 0.00064 ***
Usa_Computador_Propria_Casa 1 4 4.2 9.01 0.00271 **
Usa_Computador_Casa_Parentes 1 0 0.4 0.82 0.36670
Usa_Computador_Casa_Amigos 1 3 3.2 6.78 0.00926 **
Usa_Computador_Escola 1 4 4.4 9.46 0.00212 **
Usa_Computador_Trabalho 1 0 0.3 0.59 0.44220
Usa_Computador_Lan_House 1 11 10.8 23.14 0.00000157927 ***
Usa_Computador_Centro_Inclusao_Digital 1 4 3.5 7.51 0.00618 **
Usa_Editor_Texto 1 0 0.0 0.03 0.85505
Usa_Editor_Imagem 1 1 0.5 1.16 0.28116
Usa_Planilha_Eletrônica 1 1 1.3 2.86 0.09091 .
Usa_Banco_Dados 1 6 6.0 12.84 0.00035 ***
Usa_Internet 1 1 0.7 1.55 0.21261
Usa_Redes_Sociais 1 0 0.4 0.78 0.37817
Usa_Email 1 0 0.0 0.00 0.94422
Usa_Jogos 1 2 1.9 4.06 0.04406 *
Desenvolve_Paginas_Web 1 1 1.1 2.45 0.11784
Cria_Programas_Computador 1 5 5.2 11.20 0.00083 ***
Usa_Outros_Softwares 1 0 0.1 0.18 0.67037
Residuals 2904 1358 0.5
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1par(mfrow=c(2,2))
plot(fit)
Retirando variável Usa_Email:
temp$Usa_Email <- NULL
fit <- aov(opcao_computacao ~ ., data = temp)
knit_print(anova(fit))Analysis of Variance Table
Response: opcao_computacao
Df Sum Sq Mean Sq F value Pr(>F)
Ano 3 18 6.2 13.16 0.00000001565 ***
Serie 5 135 26.9 57.53 < 0.0000000000000002 ***
Fara_Curso_Superior 2 17 8.7 18.52 0.00000001016 ***
Somente_Ensina_Software 2 7 3.4 7.19 0.00077 ***
Pouca_Matematica 2 15 7.3 15.60 0.00000018321 ***
Maioria_Homens 2 22 10.8 23.08 0.00000000011 ***
Precisa_Saber_Usar_Computador 2 4 1.8 3.89 0.02046 *
Precisa_Curso_Superior 2 11 5.7 12.15 0.00000558252 ***
Familia_Gostaria_Computacao 2 149 74.4 159.17 < 0.0000000000000002 ***
Dificuldade_Emprego 2 2 1.2 2.62 0.07303 .
Pouco_Lazer 2 2 1.0 2.11 0.12087
Usa_Criatividade 2 1 0.3 0.63 0.53482
Da_Prestigio 2 15 7.5 15.98 0.00000012468 ***
Boa_Remuneracao 2 4 2.1 4.42 0.01210 *
Atuacao_Outras_Areas 2 7 3.4 7.37 0.00064 ***
Usa_Computador_Propria_Casa 1 4 4.2 9.01 0.00271 **
Usa_Computador_Casa_Parentes 1 0 0.4 0.82 0.36664
Usa_Computador_Casa_Amigos 1 3 3.2 6.78 0.00925 **
Usa_Computador_Escola 1 4 4.4 9.46 0.00211 **
Usa_Computador_Trabalho 1 0 0.3 0.59 0.44214
Usa_Computador_Lan_House 1 11 10.8 23.15 0.00000157447 ***
Usa_Computador_Centro_Inclusao_Digital 1 4 3.5 7.51 0.00618 **
Usa_Editor_Texto 1 0 0.0 0.03 0.85503
Usa_Editor_Imagem 1 1 0.5 1.16 0.28110
Usa_Planilha_Eletrônica 1 1 1.3 2.86 0.09086 .
Usa_Banco_Dados 1 6 6.0 12.84 0.00034 ***
Usa_Internet 1 1 0.7 1.55 0.21255
Usa_Redes_Sociais 1 0 0.4 0.78 0.37811
Usa_Jogos 1 2 1.8 3.94 0.04726 *
Desenvolve_Paginas_Web 1 1 1.1 2.44 0.11865
Cria_Programas_Computador 1 5 5.2 11.10 0.00088 ***
Usa_Outros_Softwares 1 0 0.1 0.16 0.69102
Residuals 2905 1359 0.5
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1par(mfrow=c(2,2))
plot(fit)
Retirando variável Usa_Editor_Texto:
temp$Usa_Editor_Texto <- NULL
fit <- aov(opcao_computacao ~ ., data = temp)
knit_print(anova(fit))Analysis of Variance Table
Response: opcao_computacao
Df Sum Sq Mean Sq F value Pr(>F)
Ano 3 18 6.2 13.16 0.00000001556 ***
Serie 5 135 26.9 57.55 < 0.0000000000000002 ***
Fara_Curso_Superior 2 17 8.7 18.53 0.00000001010 ***
Somente_Ensina_Software 2 7 3.4 7.19 0.00077 ***
Pouca_Matematica 2 15 7.3 15.60 0.00000018236 ***
Maioria_Homens 2 22 10.8 23.09 0.00000000011 ***
Precisa_Saber_Usar_Computador 2 4 1.8 3.90 0.02043 *
Precisa_Curso_Superior 2 11 5.7 12.15 0.00000556238 ***
Familia_Gostaria_Computacao 2 149 74.4 159.21 < 0.0000000000000002 ***
Dificuldade_Emprego 2 2 1.2 2.62 0.07298 .
Pouco_Lazer 2 2 1.0 2.12 0.12079
Usa_Criatividade 2 1 0.3 0.63 0.53472
Da_Prestigio 2 15 7.5 15.99 0.00000012409 ***
Boa_Remuneracao 2 4 2.1 4.42 0.01208 *
Atuacao_Outras_Areas 2 7 3.4 7.37 0.00064 ***
Usa_Computador_Propria_Casa 1 4 4.2 9.01 0.00271 **
Usa_Computador_Casa_Parentes 1 0 0.4 0.82 0.36656
Usa_Computador_Casa_Amigos 1 3 3.2 6.78 0.00924 **
Usa_Computador_Escola 1 4 4.4 9.47 0.00211 **
Usa_Computador_Trabalho 1 0 0.3 0.59 0.44207
Usa_Computador_Lan_House 1 11 10.8 23.16 0.00000156884 ***
Usa_Computador_Centro_Inclusao_Digital 1 4 3.5 7.51 0.00617 **
Usa_Editor_Imagem 1 1 0.5 1.18 0.27835
Usa_Planilha_Eletrônica 1 1 1.3 2.69 0.10098
Usa_Banco_Dados 1 6 6.0 12.83 0.00035 ***
Usa_Internet 1 1 0.8 1.67 0.19643
Usa_Redes_Sociais 1 0 0.4 0.80 0.37012
Usa_Jogos 1 2 1.9 3.96 0.04675 *
Desenvolve_Paginas_Web 1 1 1.1 2.42 0.11960
Cria_Programas_Computador 1 5 5.2 11.03 0.00091 ***
Usa_Outros_Softwares 1 0 0.1 0.16 0.68664
Residuals 2906 1359 0.5
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1par(mfrow=c(2,2))
plot(fit)
Retirando variável Usa_Outros_Softwares:
temp$Usa_Outros_Softwares <- NULL
fit <- aov(opcao_computacao ~ ., data = temp)
knit_print(anova(fit))Analysis of Variance Table
Response: opcao_computacao
Df Sum Sq Mean Sq F value Pr(>F)
Ano 3 18 6.2 13.16 0.00000001547 ***
Serie 5 135 26.9 57.56 < 0.0000000000000002 ***
Fara_Curso_Superior 2 17 8.7 18.53 0.00000001005 ***
Somente_Ensina_Software 2 7 3.4 7.19 0.00077 ***
Pouca_Matematica 2 15 7.3 15.60 0.00000018155 ***
Maioria_Homens 2 22 10.8 23.10 0.00000000011 ***
Precisa_Saber_Usar_Computador 2 4 1.8 3.90 0.02041 *
Precisa_Curso_Superior 2 11 5.7 12.15 0.00000554301 ***
Familia_Gostaria_Computacao 2 149 74.4 159.26 < 0.0000000000000002 ***
Dificuldade_Emprego 2 2 1.2 2.62 0.07292 .
Pouco_Lazer 2 2 1.0 2.12 0.12072
Usa_Criatividade 2 1 0.3 0.63 0.53463
Da_Prestigio 2 15 7.5 15.99 0.00000012352 ***
Boa_Remuneracao 2 4 2.1 4.42 0.01207 *
Atuacao_Outras_Areas 2 7 3.4 7.37 0.00064 ***
Usa_Computador_Propria_Casa 1 4 4.2 9.01 0.00270 **
Usa_Computador_Casa_Parentes 1 0 0.4 0.82 0.36650
Usa_Computador_Casa_Amigos 1 3 3.2 6.79 0.00923 **
Usa_Computador_Escola 1 4 4.4 9.47 0.00211 **
Usa_Computador_Trabalho 1 0 0.3 0.59 0.44200
Usa_Computador_Lan_House 1 11 10.8 23.16 0.00000156343 ***
Usa_Computador_Centro_Inclusao_Digital 1 4 3.5 7.51 0.00616 **
Usa_Editor_Imagem 1 1 0.5 1.18 0.27828
Usa_Planilha_Eletrônica 1 1 1.3 2.69 0.10093
Usa_Banco_Dados 1 6 6.0 12.83 0.00035 ***
Usa_Internet 1 1 0.8 1.67 0.19637
Usa_Redes_Sociais 1 0 0.4 0.80 0.37005
Usa_Jogos 1 2 1.9 3.96 0.04672 *
Desenvolve_Paginas_Web 1 1 1.1 2.42 0.11955
Cria_Programas_Computador 1 5 5.2 11.03 0.00091 ***
Residuals 2907 1359 0.5
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1par(mfrow=c(2,2))
plot(fit)
Retirando variável Usa_Criatividade:
temp$Usa_Criatividade <- NULL
fit <- aov(opcao_computacao ~ ., data = temp)
knit_print(anova(fit))Analysis of Variance Table
Response: opcao_computacao
Df Sum Sq Mean Sq F value Pr(>F)
Ano 3 19 6.4 13.74 0.00000000673 ***
Serie 5 136 27.2 58.46 < 0.0000000000000002 ***
Fara_Curso_Superior 2 17 8.4 17.95 0.00000001784 ***
Somente_Ensina_Software 2 8 4.0 8.63 0.00018 ***
Pouca_Matematica 2 16 7.9 16.92 0.00000004934 ***
Maioria_Homens 2 22 11.0 23.56 0.00000000007 ***
Precisa_Saber_Usar_Computador 2 3 1.7 3.69 0.02503 *
Precisa_Curso_Superior 2 11 5.7 12.12 0.00000570154 ***
Familia_Gostaria_Computacao 2 150 75.0 160.92 < 0.0000000000000002 ***
Dificuldade_Emprego 2 3 1.4 3.01 0.04930 *
Pouco_Lazer 2 2 0.9 1.97 0.13997
Da_Prestigio 2 15 7.5 16.15 0.00000010534 ***
Boa_Remuneracao 2 4 2.1 4.41 0.01227 *
Atuacao_Outras_Areas 2 7 3.4 7.23 0.00074 ***
Usa_Computador_Propria_Casa 1 5 5.2 11.16 0.00084 ***
Usa_Computador_Casa_Parentes 1 0 0.4 0.93 0.33608
Usa_Computador_Casa_Amigos 1 3 3.4 7.35 0.00673 **
Usa_Computador_Escola 1 5 4.7 10.06 0.00153 **
Usa_Computador_Trabalho 1 0 0.2 0.53 0.46759
Usa_Computador_Lan_House 1 11 10.5 22.56 0.00000213805 ***
Usa_Computador_Centro_Inclusao_Digital 1 3 3.2 6.91 0.00861 **
Usa_Editor_Imagem 1 1 0.6 1.24 0.26462
Usa_Planilha_Eletrônica 1 1 1.3 2.72 0.09918 .
Usa_Banco_Dados 1 6 6.4 13.84 0.00020 ***
Usa_Internet 1 1 0.9 1.90 0.16860
Usa_Redes_Sociais 1 0 0.3 0.64 0.42238
Usa_Jogos 1 2 1.8 3.78 0.05186 .
Desenvolve_Paginas_Web 1 1 1.0 2.23 0.13525
Cria_Programas_Computador 1 5 5.1 10.89 0.00098 ***
Residuals 2938 1369 0.5
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1par(mfrow=c(2,2))
plot(fit)
Retirando variável Usa_Computador_Trabalho:
temp$Usa_Computador_Trabalho <- NULL
fit <- aov(opcao_computacao ~ ., data = temp)
knit_print(anova(fit))Analysis of Variance Table
Response: opcao_computacao
Df Sum Sq Mean Sq F value Pr(>F)
Ano 3 19 6.4 13.74 0.00000000669 ***
Serie 5 136 27.2 58.48 < 0.0000000000000002 ***
Fara_Curso_Superior 2 17 8.4 17.96 0.00000001774 ***
Somente_Ensina_Software 2 8 4.0 8.64 0.00018 ***
Pouca_Matematica 2 16 7.9 16.93 0.00000004906 ***
Maioria_Homens 2 22 11.0 23.57 0.00000000007 ***
Precisa_Saber_Usar_Computador 2 3 1.7 3.69 0.02500 *
Precisa_Curso_Superior 2 11 5.7 12.13 0.00000567875 ***
Familia_Gostaria_Computacao 2 150 75.0 160.98 < 0.0000000000000002 ***
Dificuldade_Emprego 2 3 1.4 3.01 0.04926 *
Pouco_Lazer 2 2 0.9 1.97 0.13988
Da_Prestigio 2 15 7.5 16.16 0.00000010478 ***
Boa_Remuneracao 2 4 2.1 4.41 0.01225 *
Atuacao_Outras_Areas 2 7 3.4 7.23 0.00074 ***
Usa_Computador_Propria_Casa 1 5 5.2 11.17 0.00084 ***
Usa_Computador_Casa_Parentes 1 0 0.4 0.93 0.33600
Usa_Computador_Casa_Amigos 1 3 3.4 7.36 0.00673 **
Usa_Computador_Escola 1 5 4.7 10.06 0.00153 **
Usa_Computador_Lan_House 1 11 10.5 22.64 0.00000204411 ***
Usa_Computador_Centro_Inclusao_Digital 1 3 3.4 7.20 0.00734 **
Usa_Editor_Imagem 1 1 0.6 1.28 0.25854
Usa_Planilha_Eletrônica 1 1 1.3 2.85 0.09174 .
Usa_Banco_Dados 1 6 6.4 13.81 0.00021 ***
Usa_Internet 1 1 0.9 1.89 0.16970
Usa_Redes_Sociais 1 0 0.3 0.65 0.42098
Usa_Jogos 1 2 1.8 3.79 0.05163 .
Desenvolve_Paginas_Web 1 1 1.0 2.23 0.13550
Cria_Programas_Computador 1 5 5.1 10.91 0.00097 ***
Residuals 2939 1369 0.5
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1par(mfrow=c(2,2))
plot(fit)
Retirando variável Usa_Redes_Sociais:
temp$Usa_Redes_Sociais <- NULL
fit <- aov(opcao_computacao ~ ., data = temp)
knit_print(anova(fit))Analysis of Variance Table
Response: opcao_computacao
Df Sum Sq Mean Sq F value Pr(>F)
Ano 3 19 6.4 13.75 0.00000000667 ***
Serie 5 136 27.2 58.49 < 0.0000000000000002 ***
Fara_Curso_Superior 2 17 8.4 17.96 0.00000001769 ***
Somente_Ensina_Software 2 8 4.0 8.64 0.00018 ***
Pouca_Matematica 2 16 7.9 16.93 0.00000004894 ***
Maioria_Homens 2 22 11.0 23.57 0.00000000007 ***
Precisa_Saber_Usar_Computador 2 3 1.7 3.69 0.02499 *
Precisa_Curso_Superior 2 11 5.7 12.13 0.00000566839 ***
Familia_Gostaria_Computacao 2 150 75.0 161.00 < 0.0000000000000002 ***
Dificuldade_Emprego 2 3 1.4 3.01 0.04923 *
Pouco_Lazer 2 2 0.9 1.97 0.13984
Da_Prestigio 2 15 7.5 16.16 0.00000010453 ***
Boa_Remuneracao 2 4 2.1 4.41 0.01224 *
Atuacao_Outras_Areas 2 7 3.4 7.23 0.00074 ***
Usa_Computador_Propria_Casa 1 5 5.2 11.17 0.00084 ***
Usa_Computador_Casa_Parentes 1 0 0.4 0.93 0.33596
Usa_Computador_Casa_Amigos 1 3 3.4 7.36 0.00672 **
Usa_Computador_Escola 1 5 4.7 10.06 0.00153 **
Usa_Computador_Lan_House 1 11 10.5 22.65 0.00000204048 ***
Usa_Computador_Centro_Inclusao_Digital 1 3 3.4 7.20 0.00734 **
Usa_Editor_Imagem 1 1 0.6 1.28 0.25850
Usa_Planilha_Eletrônica 1 1 1.3 2.85 0.09171 .
Usa_Banco_Dados 1 6 6.4 13.82 0.00021 ***
Usa_Internet 1 1 0.9 1.89 0.16966
Usa_Jogos 1 2 1.7 3.73 0.05368 .
Desenvolve_Paginas_Web 1 1 1.1 2.26 0.13307
Cria_Programas_Computador 1 5 5.1 11.04 0.00090 ***
Residuals 2940 1369 0.5
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1par(mfrow=c(2,2))
plot(fit)
Retirando variável Usa_Computador_Casa_Parentes:
temp$Usa_Computador_Casa_Parentes <- NULL
fit <- aov(opcao_computacao ~ ., data = temp)
knit_print(anova(fit))Analysis of Variance Table
Response: opcao_computacao
Df Sum Sq Mean Sq F value Pr(>F)
Ano 3 19 6.4 13.74 0.000000006765 ***
Serie 5 136 27.2 58.45 < 0.0000000000000002 ***
Fara_Curso_Superior 2 17 8.4 17.95 0.000000017918 ***
Somente_Ensina_Software 2 8 4.0 8.63 0.00018 ***
Pouca_Matematica 2 16 7.9 16.92 0.000000049541 ***
Maioria_Homens 2 22 11.0 23.56 0.000000000071 ***
Precisa_Saber_Usar_Computador 2 3 1.7 3.69 0.02505 *
Precisa_Curso_Superior 2 11 5.7 12.12 0.000005718380 ***
Familia_Gostaria_Computacao 2 150 75.0 160.88 < 0.0000000000000002 ***
Dificuldade_Emprego 2 3 1.4 3.01 0.04934 *
Pouco_Lazer 2 2 0.9 1.97 0.14004
Da_Prestigio 2 15 7.5 16.15 0.000000105751 ***
Boa_Remuneracao 2 4 2.1 4.41 0.01228 *
Atuacao_Outras_Areas 2 7 3.4 7.23 0.00074 ***
Usa_Computador_Propria_Casa 1 5 5.2 11.16 0.00085 ***
Usa_Computador_Casa_Amigos 1 2 1.6 3.50 0.06145 .
Usa_Computador_Escola 1 4 4.1 8.73 0.00316 **
Usa_Computador_Lan_House 1 11 11.0 23.56 0.000001271852 ***
Usa_Computador_Centro_Inclusao_Digital 1 4 3.6 7.69 0.00558 **
Usa_Editor_Imagem 1 1 0.8 1.74 0.18782
Usa_Planilha_Eletrônica 1 1 1.3 2.70 0.10044
Usa_Banco_Dados 1 7 6.7 14.30 0.00016 ***
Usa_Internet 1 1 0.8 1.82 0.17700
Usa_Jogos 1 2 2.0 4.38 0.03652 *
Desenvolve_Paginas_Web 1 1 1.0 2.23 0.13522
Cria_Programas_Computador 1 5 5.2 11.17 0.00084 ***
Residuals 2941 1371 0.5
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1par(mfrow=c(2,2))
plot(fit)
Retirando variável Usa_Editor_Imagem:
temp$Usa_Editor_Imagem <- NULL
fit <- aov(opcao_computacao ~ ., data = temp)
knit_print(anova(fit))Analysis of Variance Table
Response: opcao_computacao
Df Sum Sq Mean Sq F value Pr(>F)
Ano 3 19 6.4 13.74 0.00000000672 ***
Serie 5 136 27.2 58.47 < 0.0000000000000002 ***
Fara_Curso_Superior 2 17 8.4 17.95 0.00000001781 ***
Somente_Ensina_Software 2 8 4.0 8.63 0.00018 ***
Pouca_Matematica 2 16 7.9 16.92 0.00000004927 ***
Maioria_Homens 2 22 11.0 23.56 0.00000000007 ***
Precisa_Saber_Usar_Computador 2 3 1.7 3.69 0.02502 *
Precisa_Curso_Superior 2 11 5.7 12.13 0.00000569553 ***
Familia_Gostaria_Computacao 2 150 75.0 160.94 < 0.0000000000000002 ***
Dificuldade_Emprego 2 3 1.4 3.01 0.04929 *
Pouco_Lazer 2 2 0.9 1.97 0.13995
Da_Prestigio 2 15 7.5 16.16 0.00000010519 ***
Boa_Remuneracao 2 4 2.1 4.41 0.01226 *
Atuacao_Outras_Areas 2 7 3.4 7.23 0.00074 ***
Usa_Computador_Propria_Casa 1 5 5.2 11.16 0.00084 ***
Usa_Computador_Casa_Amigos 1 2 1.6 3.50 0.06140 .
Usa_Computador_Escola 1 4 4.1 8.73 0.00316 **
Usa_Computador_Lan_House 1 11 11.0 23.57 0.00000126672 ***
Usa_Computador_Centro_Inclusao_Digital 1 4 3.6 7.70 0.00557 **
Usa_Planilha_Eletrônica 1 2 1.5 3.25 0.07154 .
Usa_Banco_Dados 1 7 7.0 15.11 0.00010 ***
Usa_Internet 1 1 0.7 1.51 0.21946
Usa_Jogos 1 2 2.2 4.70 0.03020 *
Desenvolve_Paginas_Web 1 1 1.1 2.41 0.12063
Cria_Programas_Computador 1 5 5.3 11.36 0.00076 ***
Residuals 2942 1371 0.5
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1par(mfrow=c(2,2))
plot(fit)
Retirando variável Usa_Internet:
temp$Usa_Internet <- NULL
fit <- aov(opcao_computacao ~ ., data = temp)
knit_print(anova(fit))Analysis of Variance Table
Response: opcao_computacao
Df Sum Sq Mean Sq F value Pr(>F)
Ano 3 19 6.4 13.74 0.000000006777 ***
Serie 5 136 27.2 58.44 < 0.0000000000000002 ***
Fara_Curso_Superior 2 17 8.4 17.94 0.000000017947 ***
Somente_Ensina_Software 2 8 4.0 8.63 0.00018 ***
Pouca_Matematica 2 16 7.9 16.92 0.000000049617 ***
Maioria_Homens 2 22 11.0 23.55 0.000000000071 ***
Precisa_Saber_Usar_Computador 2 3 1.7 3.69 0.02506 *
Precisa_Curso_Superior 2 11 5.7 12.12 0.000005724763 ***
Familia_Gostaria_Computacao 2 150 75.0 160.87 < 0.0000000000000002 ***
Dificuldade_Emprego 2 3 1.4 3.01 0.04936 *
Pouco_Lazer 2 2 0.9 1.97 0.14007
Da_Prestigio 2 15 7.5 16.15 0.000000105907 ***
Boa_Remuneracao 2 4 2.1 4.41 0.01228 *
Atuacao_Outras_Areas 2 7 3.4 7.23 0.00074 ***
Usa_Computador_Propria_Casa 1 5 5.2 11.16 0.00085 ***
Usa_Computador_Casa_Amigos 1 2 1.6 3.50 0.06146 .
Usa_Computador_Escola 1 4 4.1 8.72 0.00316 **
Usa_Computador_Lan_House 1 11 11.0 23.56 0.000001273286 ***
Usa_Computador_Centro_Inclusao_Digital 1 4 3.6 7.69 0.00558 **
Usa_Planilha_Eletrônica 1 2 1.5 3.25 0.07160 .
Usa_Banco_Dados 1 7 7.0 15.10 0.00010 ***
Usa_Jogos 1 2 2.0 4.29 0.03851 *
Desenvolve_Paginas_Web 1 1 1.1 2.29 0.13043
Cria_Programas_Computador 1 5 5.2 11.14 0.00086 ***
Residuals 2943 1372 0.5
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1par(mfrow=c(2,2))
plot(fit)
Retirando variável Pouco_Lazer:
temp$Pouco_Lazer <- NULL
fit <- aov(opcao_computacao ~ ., data = temp)
knit_print(anova(fit))Analysis of Variance Table
Response: opcao_computacao
Df Sum Sq Mean Sq F value Pr(>F)
Ano 3 20 6.7 14.40 0.00000000258 ***
Serie 5 137 27.4 58.87 < 0.0000000000000002 ***
Fara_Curso_Superior 2 17 8.4 18.08 0.00000001570 ***
Somente_Ensina_Software 2 8 4.2 8.97 0.00013 ***
Pouca_Matematica 2 16 8.2 17.58 0.00000002579 ***
Maioria_Homens 2 21 10.5 22.57 0.00000000019 ***
Precisa_Saber_Usar_Computador 2 4 1.8 3.94 0.01949 *
Precisa_Curso_Superior 2 12 6.1 13.21 0.00000194364 ***
Familia_Gostaria_Computacao 2 152 75.8 163.11 < 0.0000000000000002 ***
Dificuldade_Emprego 2 3 1.5 3.28 0.03783 *
Da_Prestigio 2 15 7.7 16.53 0.00000007282 ***
Boa_Remuneracao 2 4 2.2 4.63 0.00980 **
Atuacao_Outras_Areas 2 7 3.3 7.17 0.00078 ***
Usa_Computador_Propria_Casa 1 6 5.9 12.66 0.00038 ***
Usa_Computador_Casa_Amigos 1 2 1.8 3.78 0.05202 .
Usa_Computador_Escola 1 4 3.9 8.40 0.00378 **
Usa_Computador_Lan_House 1 11 11.4 24.49 0.00000078850 ***
Usa_Computador_Centro_Inclusao_Digital 1 3 3.5 7.45 0.00637 **
Usa_Planilha_Eletrônica 1 2 1.7 3.58 0.05843 .
Usa_Banco_Dados 1 7 7.0 15.09 0.00010 ***
Usa_Jogos 1 2 2.0 4.36 0.03690 *
Desenvolve_Paginas_Web 1 1 1.1 2.39 0.12259
Cria_Programas_Computador 1 5 5.2 11.25 0.00081 ***
Residuals 2975 1382 0.5
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1par(mfrow=c(2,2))
plot(fit)
Retirando variável Desenvolve_Paginas_Web:
temp$Desenvolve_Paginas_Web <- NULL
fit <- aov(opcao_computacao ~ ., data = temp)
knit_print(anova(fit))Analysis of Variance Table
Response: opcao_computacao
Df Sum Sq Mean Sq F value Pr(>F)
Ano 3 20 6.7 14.40 0.00000000257 ***
Serie 5 137 27.4 58.89 < 0.0000000000000002 ***
Fara_Curso_Superior 2 17 8.4 18.08 0.00000001563 ***
Somente_Ensina_Software 2 8 4.2 8.97 0.00013 ***
Pouca_Matematica 2 16 8.2 17.58 0.00000002566 ***
Maioria_Homens 2 21 10.5 22.58 0.00000000019 ***
Precisa_Saber_Usar_Computador 2 4 1.8 3.94 0.01947 *
Precisa_Curso_Superior 2 12 6.1 13.21 0.00000193679 ***
Familia_Gostaria_Computacao 2 152 75.8 163.15 < 0.0000000000000002 ***
Dificuldade_Emprego 2 3 1.5 3.28 0.03779 *
Da_Prestigio 2 15 7.7 16.53 0.00000007250 ***
Boa_Remuneracao 2 4 2.2 4.63 0.00979 **
Atuacao_Outras_Areas 2 7 3.3 7.18 0.00078 ***
Usa_Computador_Propria_Casa 1 6 5.9 12.67 0.00038 ***
Usa_Computador_Casa_Amigos 1 2 1.8 3.78 0.05199 .
Usa_Computador_Escola 1 4 3.9 8.40 0.00378 **
Usa_Computador_Lan_House 1 11 11.4 24.50 0.00000078583 ***
Usa_Computador_Centro_Inclusao_Digital 1 3 3.5 7.45 0.00637 **
Usa_Planilha_Eletrônica 1 2 1.7 3.58 0.05840 .
Usa_Banco_Dados 1 7 7.0 15.09 0.00010 ***
Usa_Jogos 1 2 2.0 4.36 0.03688 *
Cria_Programas_Computador 1 6 6.2 13.44 0.00025 ***
Residuals 2976 1382 0.5
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1par(mfrow=c(2,2))
plot(fit)
Retirando variável Usa_Planilha_Eletrônica:
temp$Usa_Planilha_Eletrônica <- NULL
fit <- aov(opcao_computacao ~ ., data = temp)
knit_print(anova(fit))Analysis of Variance Table
Response: opcao_computacao
Df Sum Sq Mean Sq F value Pr(>F)
Ano 3 20 6.7 14.41 0.00000000256 ***
Serie 5 137 27.4 58.90 < 0.0000000000000002 ***
Fara_Curso_Superior 2 17 8.4 18.09 0.00000001555 ***
Somente_Ensina_Software 2 8 4.2 8.97 0.00013 ***
Pouca_Matematica 2 16 8.2 17.59 0.00000002554 ***
Maioria_Homens 2 21 10.5 22.58 0.00000000018 ***
Precisa_Saber_Usar_Computador 2 4 1.8 3.95 0.01945 *
Precisa_Curso_Superior 2 12 6.1 13.22 0.00000192992 ***
Familia_Gostaria_Computacao 2 152 75.8 163.20 < 0.0000000000000002 ***
Dificuldade_Emprego 2 3 1.5 3.28 0.03776 *
Da_Prestigio 2 15 7.7 16.54 0.00000007218 ***
Boa_Remuneracao 2 4 2.2 4.64 0.00977 **
Atuacao_Outras_Areas 2 7 3.3 7.18 0.00078 ***
Usa_Computador_Propria_Casa 1 6 5.9 12.67 0.00038 ***
Usa_Computador_Casa_Amigos 1 2 1.8 3.78 0.05196 .
Usa_Computador_Escola 1 4 3.9 8.40 0.00377 **
Usa_Computador_Lan_House 1 11 11.4 24.50 0.00000078314 ***
Usa_Computador_Centro_Inclusao_Digital 1 3 3.5 7.46 0.00636 **
Usa_Banco_Dados 1 8 8.4 18.03 0.00002237597 ***
Usa_Jogos 1 2 2.1 4.63 0.03155 *
Cria_Programas_Computador 1 6 6.3 13.63 0.00023 ***
Residuals 2977 1383 0.5
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1par(mfrow=c(2,2))
plot(fit)
Retirando variável Usa_Computador_Casa_Amigos:
temp$Usa_Computador_Casa_Amigos <- NULL
fit <- aov(opcao_computacao ~ ., data = temp)
knit_print(anova(fit))Analysis of Variance Table
Response: opcao_computacao
Df Sum Sq Mean Sq F value Pr(>F)
Ano 3 20 6.7 14.37 0.00000000269 ***
Serie 5 137 27.4 58.75 < 0.0000000000000002 ***
Fara_Curso_Superior 2 17 8.4 18.04 0.00000001626 ***
Somente_Ensina_Software 2 8 4.2 8.95 0.00013 ***
Pouca_Matematica 2 16 8.2 17.54 0.00000002668 ***
Maioria_Homens 2 21 10.5 22.53 0.00000000019 ***
Precisa_Saber_Usar_Computador 2 4 1.8 3.94 0.01964 *
Precisa_Curso_Superior 2 12 6.1 13.18 0.00000199441 ***
Familia_Gostaria_Computacao 2 152 75.8 162.79 < 0.0000000000000002 ***
Dificuldade_Emprego 2 3 1.5 3.27 0.03807 *
Da_Prestigio 2 15 7.7 16.49 0.00000007521 ***
Boa_Remuneracao 2 4 2.2 4.62 0.00989 **
Atuacao_Outras_Areas 2 7 3.3 7.16 0.00079 ***
Usa_Computador_Propria_Casa 1 6 5.9 12.64 0.00038 ***
Usa_Computador_Escola 1 5 4.8 10.30 0.00135 **
Usa_Computador_Lan_House 1 10 10.1 21.64 0.00000343012 ***
Usa_Computador_Centro_Inclusao_Digital 1 3 3.1 6.76 0.00937 **
Usa_Banco_Dados 1 8 8.0 17.09 0.00003667247 ***
Usa_Jogos 1 2 1.6 3.37 0.06635 .
Cria_Programas_Computador 1 6 5.9 12.60 0.00039 ***
Residuals 2978 1386 0.5
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1par(mfrow=c(2,2))
plot(fit)
Retirando variável Usa_Jogos:
temp$Usa_Jogos <- NULL
fit <- aov(opcao_computacao ~ ., data = temp)
knit_print(anova(fit))Analysis of Variance Table
Response: opcao_computacao
Df Sum Sq Mean Sq F value Pr(>F)
Ano 3 20 6.7 14.37 0.0000000027 ***
Serie 5 137 27.4 58.73 < 0.0000000000000002 ***
Fara_Curso_Superior 2 17 8.4 18.03 0.0000000164 ***
Somente_Ensina_Software 2 8 4.2 8.94 0.00013 ***
Pouca_Matematica 2 16 8.2 17.53 0.0000000269 ***
Maioria_Homens 2 21 10.5 22.52 0.0000000002 ***
Precisa_Saber_Usar_Computador 2 4 1.8 3.93 0.01968 *
Precisa_Curso_Superior 2 12 6.1 13.18 0.0000020070 ***
Familia_Gostaria_Computacao 2 152 75.8 162.71 < 0.0000000000000002 ***
Dificuldade_Emprego 2 3 1.5 3.27 0.03813 *
Da_Prestigio 2 15 7.7 16.49 0.0000000758 ***
Boa_Remuneracao 2 4 2.2 4.62 0.00991 **
Atuacao_Outras_Areas 2 7 3.3 7.16 0.00079 ***
Usa_Computador_Propria_Casa 1 6 5.9 12.63 0.00038 ***
Usa_Computador_Escola 1 5 4.8 10.29 0.00135 **
Usa_Computador_Lan_House 1 10 10.1 21.63 0.0000034487 ***
Usa_Computador_Centro_Inclusao_Digital 1 3 3.1 6.76 0.00938 **
Usa_Banco_Dados 1 8 8.0 17.08 0.0000368312 ***
Cria_Programas_Computador 1 6 6.3 13.52 0.00024 ***
Residuals 2979 1388 0.5
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1par(mfrow=c(2,2))
plot(fit)
O próximo passo é identificar se há combinações de atributos que expliquem essa opção. Para isso será utilizado o algoritmo Apriori de mineração de regras de associação.
# regras = apriori(data = respostas[, 2:36], parameter = list(minlen=2, supp=0.1, conf=0.8, maxtime=600))
# regras.ordem <- sort(regras, by="lift")
# Encontrando as regras redundantes
# subset.matrix <- is.subset(regras.ordem, regras.ordem)
# subset.matrix[lower.tri(subset.matrix, diag = T)] = NA
# Vejam o que montamos até aqui
# subset.matrix[1:5,1:5]
# write(regras, file="regras.txt")---
title: "Análise de Questionários do Projeto 'Meninas na Computação'"
output:
  html_notebook: 
    code_folding: hide
  html_document: default
---
```{r, include=FALSE}
rm(list = ls())
options("scipen"=100, "digits"=2)

# install.packages("readxl")
library(readxl)

# install.packages("readr")
library(readr)

#install.packages("arules")
library(arules)

# install.packages("ggplot2")
library(ggplot2)

# install.packages("reshape2")
library(reshape2)

# install.packages("gridExtra")
library(gridExtra)

# install.packages("stringr")
library(stringr)

# install.packages("knitr")
library(knitr)

# install.packages("agricolae")
library(agricolae)
```

Este estudo é uma análise estatística sobre o projeto [Meninas na Computação](http://meninas.cic.unb.br/), coordenado pela professora Dra. Maristela Terto e Holanda et al. 

```{r}
respostas <- read_excel("raw.xlsx", sheet = "unificado", na = "")

respostas$Q1 <- NULL
respostas$Q2 <- NULL
respostas$Serie <- stringr::str_trim(respostas$Serie, side = "both")
respostas <- as.data.frame(lapply(respostas, as.factor))
opcao <- data.frame(Fara_Computacao = levels(respostas$Fara_Computacao), opcao_computacao = c(1, 2, 3))
respostas <- merge(respostas, opcao)

respostas <- respostas[, c(37, 1:36)]
```

Durante os anos de 2011 a 2014, foram entrevistados `r nrow(respostas)` alunos do nível fundamental, médio e superior, sobre o curso superior que pretendiam seguir. 

O questionário possui 14 questões que foram desmembradas em 36 variáveis.

O primeiro passo do estudo foi recuperar as respostas dos questionários. 

O segundo passo envolveu a preparação dos dados. Em primeiro lugar, os questionários foram unificados em uma única tabela, a fim de facilitar a manipulação.

Como o estudo consiste em identificar as motivações das alunas entrevistadas em seguir ou não uma carreira em Ciência da Computação, foram retirados os `r nrow(respostas[respostas$Sexo == 'M',])` entrevistados de sexo masculino.

```{r}
respostas <- subset(respostas, respostas$Sexo == "F")
respostas$Sexo <- NULL
```

São encontradas as seguintes distribuições de série na amostra:

```{r}
series <- aggregate(x = list(Quantidade = respostas$Serie), by = list(Ano = respostas$Ano, Serie = respostas$Serie), FUN=length)

por_ano <- aggregate(x = list(Total = respostas$Serie), by = list(Ano = respostas$Ano), FUN=length)

series <- merge(series, por_ano)

series$Percentual <- series$Quantidade * 100 / series$Total

p = ggplot(data = series, aes(x = "", y = Percentual, fill = Serie))  
p = p + geom_bar(width = 1, stat = "identity")
p = p + facet_grid(facets = . ~ Ano)
p = p + coord_polar(theta = "y", start = 0) 
p = p + scale_x_discrete()
p = p + xlab("") + ylab("") + labs(fill="Ano") 
p = p + ggtitle("Percentual de Entrevistadas por Série em cada Ano")
p
```

As alunas responderam da seguinte forma sobre a área que gostariam de cursar:

```{r}
cursos <- aggregate(x = list(Quantidade = respostas$Fara_Curso_Superior), by = list(Ano = respostas$Ano, Fara_Curso_Superior = respostas$Fara_Curso_Superior), FUN=length)

por_ano <- aggregate(x = list(Total = respostas$Fara_Curso_Superior), by = list(Ano = respostas$Ano), FUN=length)

cursos <- merge(cursos, por_ano)

cursos$Percentual <- cursos$Quantidade * 100 / cursos$Total

p = ggplot(data = cursos, aes(x = "", y = Percentual, fill = Fara_Curso_Superior))  
p = p + geom_bar(width = 1, stat = "identity")
p = p + facet_grid(facets = . ~ Ano)
p = p + coord_polar(theta = "y", start = 0) 
p = p + scale_x_discrete()
p = p + xlab("") + ylab("") + labs(fill="Ano") 
p = p + ggtitle("Percentual de Entrevistadas por Área de Interesse")
p
```

Podemos observar que os percentuais permanecem ao longo dos anos, sendo a preferência por Ciências Biológicas e de Saúde em torno de `r round(cursos$Percentual[cursos$Ano == 2011 & cursos$Fara_Curso_Superior == 'Biologicas e Saude'])`\%, para Humanas cerca de `r round(cursos$Percentual[cursos$Ano == 2011 & cursos$Fara_Curso_Superior == 'Humanas'])`\% e para Exatas próximo a `r round(cursos$Percentual[cursos$Ano == 2011 & cursos$Fara_Curso_Superior == 'Exatas'])`\%.

A opinião das alunas sobre o cursar Ciência da Computação é representada nos gráficos a seguir:

```{r}
comp <- aggregate(x = list(Quantidade = respostas$Fara_Computacao), by = list(Ano = respostas$Ano, Fara_Computacao = respostas$Fara_Computacao), FUN=length)

por_ano <- aggregate(x = list(Total = respostas$Fara_Computacao), by = list(Ano = respostas$Ano), FUN=length)

comp <- merge(comp, por_ano)

comp$Percentual <- comp$Quantidade * 100 / comp$Total

p = ggplot(data = comp, aes(x = "", y = Percentual, fill = Fara_Computacao))  
p = p + geom_bar(width = 1, stat = "identity")
p = p + facet_grid(facets = . ~ Ano)
p = p + coord_polar(theta = "y", start = 0) 
p = p + scale_x_discrete()
p = p + xlab("") + ylab("") + labs(fill="Ano") 
p = p + ggtitle("Percentual de Entrevistadas por Interesse em Computação")
p
```

Será realizada a seguir uma análise de variância, no intuito de identificar, pergunta a pergunta, se as quantidades médias das respostas são estatisticamente diferentes ou se a diferença identificada nas médias trata-se de ruído. 

A análise de variância não será completa sem um teste de comparação de médias: após identificar diferenças reais entre as respostas, será efetuado o teste de Tukey que dirá quais dos itens são diferentes entre si.

Para que seja feita a análise de variância, a amostra deve atender certas pressuposições básicas:
1) os erros são variáveis aleatórias independentes;
2) a variância é constante;
3) a distribuição dos erros é normal ou aproximadamente normal.

Os gráficos que apóiam essas pressuposições serão movidos para o fim da página.

Como exemplo, será efetuada isoladamente a análise de variância do atributo **opcao_computacao** em relação ao atributo **Ano**, com os anos como tratamentos. A variável observada é o interesse do aluno por optar pelo curso de ciência da computação, sendo atribuído o valor 1 no caso em que a estudante respondeu que não fará vestibular para computação, 2 se ainda está em dúvida e 3 se informou que irá optar por computação.

```{r}
temp <- data.frame(Tratamento = respostas[, 3], Opcao_Computacao = respostas[, 1])

fit <- aov(Opcao_Computacao ~ Tratamento, data = temp)
knit_print(anova(fit))
cat("\n")

knit_print(HSD.test(fit, 'Tratamento'))

par(mfrow=c(2,2))
plot(fit)
```

A partir do p-valor do tratamento **Ano** (Pr(>F)) abaixo de 5%, há evidências de uma diferença na quantidade de alunas que optam por computação devido à passagem do tempo.

Contudo, ao efetuar o teste de Tukey, percebemos que não há diferença real entre o ano de 2011 e os demais. Desta forma, concluímos que há constância na indecisão das alunas.

A seguir serão apresentadas as análises de variância dos outros atributos coletados nas entrevistas.

```{r}

for (i in 4:ncol(respostas)) {
  temp <- data.frame(Tratamento = respostas[, i], Opcao_Computacao = respostas[, 1])
  
  nome <- colnames(respostas)[i]
  cat(paste("\nTratamento:", nome, "\n"))  
  cat("\n")
  
  fit <- aov(Opcao_Computacao ~ Tratamento, data = temp)
  knit_print(anova(fit))
  cat("\n")

  knit_print(HSD.test(fit, 'Tratamento'))
  
  # assign(nome, temp)

  par(mfrow=c(2,2))  
  plot(fit)
}
```


A partir da análise de variância e do teste de Tukey dos atributos, identificamos o seguinte:

Sobre o atributo **Série**, devemos descartar a informação sobre as estudantes de Supletivo, devido à baixa quantidade de respondentes. Normalmente se descartam tratamentos com menos de 30 ocorrências. Podemos perceber dois grupos: do Ensino Fundamental até o Segundo Ano há uma tendência levemente positiva em relação ao curso de computação; por outro lado, alunas do Terceiro Ano e que já cursam o Nível Superior possuem leve rejeição pelo curso.

Em relação à intenção de fazer um curso superior, atributo **Fara_Curso_Superior**, as estudantes que informaram predileção por Exatas, Biológicas e Saúde possuem uma leve tendência a optar por computação, enquanto as que marcaram Humanas tem dúvida sobre uma carreira em computação.

O atributo **Somente_Ensina_Software** mostra que as estudantes que acreditam em tal afirmação tem tendência a optar por um curso de computação, enquanto as que acreditam no contrário ou não tem certeza ficaram em dúvida sobre cursar computação.

Um dos resultados mais desconcertantes refere-se ao atributo **Pouca_Matematica**: apesar da maioria das entrevistadas acreditar de que o curso de computação baseia-se em muito conteúdo matemático, uma quantidade considerável de respondentes discorda. O elemento contraditório é que estas últimas tem certa tendência em seguir uma carreira em computação!

Outro resultado conflitante está relacionado à afirmação de que nos cursos de computação há muitos homens, atributo **Maioria_Homens**. As entrevistadas que discordam dessa afirmação pretendem cursar ciência da computação.

Sobre o domínio de uso do computador ser um pré-requisito para o curso de computação, atributo **Precisa_Saber_Usar_Computador**, a decisão sobre cursar ou não ciência da computação ficou equilibrada em relação a esse quesito.

O atributo **Precisa_Curso_Superior** está relacionado à necessidade de uma graduação para exercer a profissão de cientista da computação. As estudantes que acreditam nessa afirmativa tem uma leve tendência a optar pelo curso de computação. Já as que não acreditam ou tem dúvida estão indecisas sobre o cursar computação.

O atributo mais marcante neste estudo foi **Familia_Gostaria_Computacao**. Nesse, é possível perceber claramente a influência familiar na decisão do curso superior: estudantes que acreditam que a família ficaria feliz caso elas optassem por computação tem uma forte tendência em realmente escolher o curso. As entrevistadas que acreditam que a família não apoiaria a escolha desse curso tem uma tendência a rejeitar a computação. As que não tem certeza da opinião da família também não tem certeza sobre o desejo de seguir essa carreira.

O atributo **Dificuldade_Emprego**, origina-se da percepção das estudantes de que uma pessoa que trabalha na área de computação tem dificuldades em empregar-se. Houve pouca quantidade de entrevistadas que acreditava nessa afirmação mas, no geral, as estudantes que ficaram indecisas sobre cursar computação.

O atributo **Pouco_Lazer**, originário da pergunta "Quem trabalha com computação tem poucas horas de lazer?", teve resultados semelhantes ao atributo **Dificuldade_Emprego**, percebendo-se uma forte indecisão na opção do curso, independentemente da percepção de quantidade de lazer.

Os atributos **Usa_Criatividade**, **Da_Prestigio**, **Boa_Remuneracao** e **Atuacao_Outras_Areas** parecem-se muito com os atributos **Dificuldade_Emprego** e **Pouco_Lazer**, denotando que as entrevistadas ainda não preocupam-se com esses atributos na hora de escolher o curso superior.

O atributo **Usa_Computador_Propria_Casa**, que é auto-explicativo, mostra que alunas que não usam ou não possuem o computador em suas casas estão muito propensas a fazer um curso de computação! As estudantes que usam do equipamento em seu domicílio mostram-se indecisas sobre a opção pelo curso.

Os atributos **Usa_Computador_Casa_Parentes** e **Usa_Computacao_Casa_Amigos** tem pouca relevância na decisão por um curso de computação.

O não uso do computador na escola, atributo **Usa_Computador_Escola** gera um efeito inverso, isto é, alunas que não usam o equipamento em aula mostram leve tendência em optar por computação.

Usar ou não usar o computador no trabalho, atributo **Usa_Computador_Trabalho**, parece não ter relevância na escolha do curso de computação.

Usar o computador em uma *Lan House* tem um efeito positivo na opção pelo curso de computação. 

Usar ou não usar o computador na biblioteca, atributo **Usa_Computador_Biblioteca**, não tem relevância na opção por cursar computação.

Usar o computador em um *Centro de Inclusão Digital* tem um efeito positivo semelhante a usar em uma *Lan House*, movendo a vontade das alunas para a ciência da computação.

O uso de aplicações de escritório, como *editores de texto*, *planilhas eletrônicas* e *editores de imagens* não tem impacto na escolha do curso de computação.

Contudo, o uso de *banco de dados* e a criação de *programas de computador* tem influência positiva na decisão por cursar ciência da computação.

O **não** uso de *internet*, *redes sociais* e *e-mail* motiva as estudantes a optar pelo curso de computação.

O uso de jogos de computador, atributo **Usa_Jogos**, não tem relevância na escolha do curso de computação.

*Desenvolver páginas web* e *utilizar outros softwares* tem uma pequena relevância na escolha do curso de computação.

Iremos agora criar um modelo de análise de variância levando em consideração todas as variáveis do questionário, adotando uma abordagem *top-down*, isto é, iterando sobre o modelo e retirando as variáveis menos significativas, até que todas as variáveis sejam significativas.

```{r}
temp <- respostas[, c(1, 3:ncol(respostas))]

fit <- aov(opcao_computacao ~ ., data = temp)
knit_print(anova(fit))
par(mfrow=c(2,2))
plot(fit)
```


Novo modelo, retirando variável **Usa_Computador_Biblioteca**:

```{r}
temp$Usa_Computador_Biblioteca <- NULL

fit <- aov(opcao_computacao ~ ., data = temp)
knit_print(anova(fit))
par(mfrow=c(2,2))
plot(fit)
```

Retirando variável **Usa_Email**:

```{r}
temp$Usa_Email <- NULL

fit <- aov(opcao_computacao ~ ., data = temp)
knit_print(anova(fit))
par(mfrow=c(2,2))
plot(fit)
```

Retirando variável **Usa_Editor_Texto**:

```{r}
temp$Usa_Editor_Texto <- NULL

fit <- aov(opcao_computacao ~ ., data = temp)
knit_print(anova(fit))
par(mfrow=c(2,2))
plot(fit)
```

Retirando variável **Usa_Outros_Softwares**:

```{r}
temp$Usa_Outros_Softwares <- NULL

fit <- aov(opcao_computacao ~ ., data = temp)
knit_print(anova(fit))
par(mfrow=c(2,2))
plot(fit)
```

Retirando variável **Usa_Criatividade**:

```{r}
temp$Usa_Criatividade <- NULL

fit <- aov(opcao_computacao ~ ., data = temp)
knit_print(anova(fit))
par(mfrow=c(2,2))
plot(fit)
```

Retirando variável **Usa_Computador_Trabalho**:

```{r}
temp$Usa_Computador_Trabalho <- NULL

fit <- aov(opcao_computacao ~ ., data = temp)
knit_print(anova(fit))
par(mfrow=c(2,2))
plot(fit)
```

Retirando variável **Usa_Redes_Sociais**:

```{r}
temp$Usa_Redes_Sociais <- NULL

fit <- aov(opcao_computacao ~ ., data = temp)
knit_print(anova(fit))
par(mfrow=c(2,2))
plot(fit)
```

Retirando variável **Usa_Computador_Casa_Parentes**:

```{r}
temp$Usa_Computador_Casa_Parentes <- NULL

fit <- aov(opcao_computacao ~ ., data = temp)
knit_print(anova(fit))
par(mfrow=c(2,2))
plot(fit)
```

Retirando variável **Usa_Editor_Imagem**:

```{r}
temp$Usa_Editor_Imagem <- NULL

fit <- aov(opcao_computacao ~ ., data = temp)
knit_print(anova(fit))
par(mfrow=c(2,2))
plot(fit)
```

Retirando variável **Usa_Internet**:

```{r}
temp$Usa_Internet <- NULL

fit <- aov(opcao_computacao ~ ., data = temp)
knit_print(anova(fit))
par(mfrow=c(2,2))
plot(fit)
```

Retirando variável **Pouco_Lazer**:

```{r}
temp$Pouco_Lazer <- NULL

fit <- aov(opcao_computacao ~ ., data = temp)
knit_print(anova(fit))
par(mfrow=c(2,2))
plot(fit)
```

Retirando variável **Desenvolve_Paginas_Web**:

```{r}
temp$Desenvolve_Paginas_Web <- NULL

fit <- aov(opcao_computacao ~ ., data = temp)
knit_print(anova(fit))
par(mfrow=c(2,2))
plot(fit)
```

Retirando variável **Usa_Planilha_Eletrônica**:

```{r}
temp$Usa_Planilha_Eletrônica <- NULL

fit <- aov(opcao_computacao ~ ., data = temp)
knit_print(anova(fit))
par(mfrow=c(2,2))
plot(fit)
```

Retirando variável **Usa_Computador_Casa_Amigos**:

```{r}
temp$Usa_Computador_Casa_Amigos <- NULL

fit <- aov(opcao_computacao ~ ., data = temp)
knit_print(anova(fit))
par(mfrow=c(2,2))
plot(fit)
```

Retirando variável **Usa_Jogos**:

```{r}
temp$Usa_Jogos <- NULL

fit <- aov(opcao_computacao ~ ., data = temp)
knit_print(anova(fit))
par(mfrow=c(2,2))
plot(fit)
```



O próximo passo é identificar se há combinações de atributos que expliquem essa opção. Para isso será utilizado o algoritmo Apriori de mineração de regras de associação.

```{r}
# regras = apriori(data = respostas[, 2:36], parameter = list(minlen=2, supp=0.1, conf=0.8, maxtime=600))

# regras.ordem <- sort(regras, by="lift")

# Encontrando as regras redundantes
# subset.matrix <- is.subset(regras.ordem, regras.ordem)
# subset.matrix[lower.tri(subset.matrix, diag = T)] = NA

# Vejam o que montamos até aqui
# subset.matrix[1:5,1:5]


# write(regras, file="regras.txt")
```

